【技术实现步骤摘要】
本专利技术属于地震速度谱拾取，具体为一种面向地震速度谱智能拾取的深度学习方法。
技术介绍
1、地震速度分析是常规地震地震速度谱数据处理中的重要环节之一，是地震后续处理的基础，如多次波压制、偏移成像、反演等。为了获取速度分析的结果，目前需要人工在速度谱上进行速度拾取，这样会花费大量的人力和时间。另外，拾取速度谱也并不是一个简单的机械的体力劳动，受制于地震噪声、多次波、侧面波、绕射波以及地质构造复杂性和地质构造的空间变化等的影响，需要受过训练的处理员的智力劳动才能得到正确和精度较高的速度拾取结果。因此，有必要研究一种快速又准确的速度谱自动拾取的方法，以降低地震处理人员的智力和体力劳动。
2、但是常见的分析方法在对整个速度谱图像或特征图进行卷积计算的过程中，计算量较大，从而使得整个系统的学习效率较为低下。
技术实现思路
1、本专利技术的目的在于：为了解决上述提出的问题，提供一种面向地震速度谱智能拾取的深度学习方法。
2、本专利技术采用的技术方案如下：一种面向地震速度谱智能拾取的深度学习方法，所述面向地震速度谱智能拾取的深度学习方法包括以下步骤：
3、s1:特征提取模块采用速度谱和人工拾取的标签地震速度谱数据作为算法网络的输入，输出为预测边界框的位置及其置信度；由于能量团形状复杂、体积小，在相似速度谱中难以检测，对fasterr-cnn算法网络进行了改进，使其能够更好的适配速度谱智能拾取任务；首先在特征提取模块应用的主干算法网络resnet-101中加入
4、s2:随着特征图数量的增加，我们可以得到更详细、更丰富的能量团特征；特征提取模块将输入图像映射为五个不同尺度的特征，从而实现对较小目标与多尺度目标的准确识别；
5、s3:在完成特征提取后应用候选区域建议算法网络(rpn)模块生成候选框；首先通过一个3x3的卷积层将不同维度的特征图统一resize到256维；而后再分别通过两个1x1的卷积层用于候选框的分类与回归；使用softmax分类器来提取出前景候选框；每个候选框由[x,y,w,h]四个坐标偏移量和置信度来表示，其中x,y表示候选框中心点坐标，w和h是候选框相对于整个图像的宽度和高度，置信度为候选框的预测得分；
6、s4:在候选区域建议算法网络模块应用边界框回归来调整候选框的位置，从而得到特征子图，称为建议框；其后再通过感兴趣区域池化将大小尺寸不同的建议框池化成相同的大小，最后通过全连接层进行建议框的分类同时再次对候选框进行回归从而得到精确的形状和位置；
7、s5:通过faster-rcnn算法网络深度学习算法模型可以提取速度谱图像中能量团的特征并对能量团的位置进行预测，在预测阶段最终的输出结果为一系列的“时间-速度”对；在人工拾取叠加速度时一般会选择拾取能量团的中心点，然后对拾取的“时间-速度”对进行插值即得到叠加速度曲线。
8、在一优选的实施方式中，所述步骤s1中，在考虑速度谱中能量团存在多尺度特征的情况下，本方法在resnet-101主干算法网络(s1-s5)中加入s-bifpn算法网络(p1-p5)来提取不同的尺度上的能量团地震速度谱信息；sbifpn算法网络的设计主要包含两个部分：自下而上的特征提取和自上而下的特征融合；自下而上的特征提取部分类似于常规的卷积神经算法网络，可以提取出不同尺度的特征图。
9、在一优选的实施方式中，所述步骤s1中，自上而下的特征融合部分则通过搭建多层金字塔结构，将高层语义地震速度谱信息与低层细节地震速度谱信息进行融合，以便于在不同尺度上进行能量团的检测；相邻深层特征之间使用连接融合操作可以增强相邻特征之间的联系，达到对多尺度的特征进行有效利用的目的，从而提高速度谱中能量团目标的检测精度。
10、在一优选的实施方式中，所述步骤s3中，当前得到的候选框列表存在大量冗余的框，采用以下步骤解决该问题：(i)首先设定置信度阈值，(ii)根据置信度降序排列候选框列表，(iii)选取置信度最大的候选框a添加到输出列表，并将其从候选框列表中删除，(iv)计算a与候选框列表中所有框的交并比(iou)，删除大于阈值的候选框，(v)迭代这一过程直至候选框列表为空，返回输出列表，这样就解决了候选区域重叠问题。
11、在一优选的实施方式中，所述步骤s4中，选取sgd优化器，基础学习率设为0.02，共计训练24个epoch，分别在第8个epoch和第11个epoch进行学习率衰减，动量为0.9，权重衰减系数为0.001。在拾取结果优化实验中，综合考虑本文算法网络深度学习算法模型智能拾取的叠加速度点与其对应的能量团质心的距离相差在40个像素值以内，因此将能量团幅值矩阵的大小设置为40×40，并通过在实验过程中所观察到的经验性规律将速度能量值阈值百分比设定为70％。实验应用pytorch深度学习框架，并使用gpu来加速训练过程。
12、在一优选的实施方式中，所述步骤s5中，为了使拾取的叠加速度
13、更为准确，结合速度谱中的能量团幅值地震速度谱信息来对拾取结果进行优化；首先定义速度谱时窗矩阵：
14、
15、其中k＝1,2,3…表示算法网络深度学习算法模型所拾取的地震速度谱数据点的个数；ak是由算法网络深度学习算法模型拾取点为坐标中心来构造产生的大小为n×n的能量团幅值矩阵，即我们所求的速度谱时窗矩阵；aij表示速度谱时窗矩阵ak中第i行第j列的速度能量团幅值；然后在时窗矩阵范围内为速度能量值设定阈值，公式表示为：
16、α(i)＝f(ak，η)；α(i)可定义为第i个拾取点所对应的时窗范围内速度能量值的阈值；f(ak,η)为求上分位数的函数，η为阈值百分比，该函数表示在时窗矩阵ak内有η％的速度能量值小于阈值α(i)；保留大于该阈值的数值作为速度拾取候选区，将小于该阈值的点的数值变为0；公式表示为：
17、
18、在经过阈值筛选后剩余地震速度谱数据点被归入新的数值矩阵ck＝{cij}，ck表示第k个时窗范围内速度能量值cij的集合；然后求取能量矩阵ck中每个时窗范围内所有地震速度谱数据点的平均值，公式表示如下：
19、其中nk表示第k个时窗范围内总的地震速度谱数据点数；ai′表示每个时窗范围内的全部地震速度谱数据点的平均值，该平均值所在地震速度谱数据点所对应的速度值即为拾取的叠加速度，最后将拾取的速度点经过插值处理为叠加速度曲线。
20、综上所述，由于采用了上述技术方案，本专利技术的有益效果是：
21、本专利技术中，通过引入注意力机制，深度学习算法模型能够更加关注重要的区域，从而提高速度谱图像的检测精度；在fasterr-cnn的检测过程中，需要对整个速度谱图像或特征图进行卷积计算，而引入注意力机制后，可以减少需要计算的区域或通道数本文档来自技高网...
【技术保护点】
1.一种面向地震速度谱智能拾取的深度学习方法，其特征在于：所述面向地震速度谱智能拾取的深度学习方法包括以下步骤：
2.如权利要求1所述的一种面向地震速度谱智能拾取的深度学习方法，其特征在于：所述步骤S1中，在考虑速度谱中能量团存在多尺度特征的情况下，本方法在ResNet-101主干算法网络(S1-S5)中加入S-BiFPN算法网络(P1-P5)来提取不同的尺度上的能量团地震速度谱信息；SBiFPN算法网络的设计主要包含两个部分：自下而上的特征提取和自上而下的特征融合；自下而上的特征提取部分类似于常规的卷积神经算法网络，可以提取出不同尺度的特征图。
3.如权利要求1所述的一种面向地震速度谱智能拾取的深度学习方法，其特征在于：所述步骤S1中，自上而下的特征融合部分则通过搭建多层金字塔结构，将高层语义地震速度谱信息与低层细节地震速度谱信息进行融合，以便于在不同尺度上进行能量团的检测；相邻深层特征之间使用连接融合操作可以增强相邻特征之间的联系，达到对多尺度的特征进行有效利用的目的，从而提高速度谱中能量团目标的检测精度。
4.如权利要求1所述的一种面向地
5.如权利要求1所述的一种面向地震速度谱智能拾取的深度学习方法，其特征在于：所述步骤S4中，选取SGD优化器，基础学习率设为0.02，共计训练24个epoch，分别在第8个epoch和第11个epoch进行学习率衰减，动量为0.9，权重衰减系数为0.001；在拾取结果优化实验中，综合考虑本文算法网络深度学习算法模型智能拾取的叠加速度点与其对应的能量团质心的距离相差在40个像素值以内，因此将能量团幅值矩阵的大小设置为40×40，并通过在实验过程中所观察到的经验性规律将速度能量值阈值百分比设定为70％，实验应用Pytorch深度学习框架，并使用GPU来加速训练过程。
6.如权利要求1所述的一种面向地震速度谱智能拾取的深度学习方法，其特征在于：所述步骤S5中，为了使拾取的叠加速度
...【技术特征摘要】
1.一种面向地震速度谱智能拾取的深度学习方法，其特征在于：所述面向地震速度谱智能拾取的深度学习方法包括以下步骤：
2.如权利要求1所述的一种面向地震速度谱智能拾取的深度学习方法，其特征在于：所述步骤s1中，在考虑速度谱中能量团存在多尺度特征的情况下，本方法在resnet-101主干算法网络(s1-s5)中加入s-bifpn算法网络(p1-p5)来提取不同的尺度上的能量团地震速度谱信息；sbifpn算法网络的设计主要包含两个部分：自下而上的特征提取和自上而下的特征融合；自下而上的特征提取部分类似于常规的卷积神经算法网络，可以提取出不同尺度的特征图。
3.如权利要求1所述的一种面向地震速度谱智能拾取的深度学习方法，其特征在于：所述步骤s1中，自上而下的特征融合部分则通过搭建多层金字塔结构，将高层语义地震速度谱信息与低层细节地震速度谱信息进行融合，以便于在不同尺度上进行能量团的检测；相邻深层特征之间使用连接融合操作可以增强相邻特征之间的联系，达到对多尺度的特征进行有效利用的目的，从而提高速度谱中能量团目标的检测精度。
4.如权利要求1所述的一种面向地震速度谱智能拾取的深度学习方法，其特征在于：所述步骤s3中，当前得到...
【专利技术属性】
技术研发人员：张泽宇，张凯，曾宇轩，李振春，王伟胜，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。